Estimation of Eucalyptus urophylla S.T. Blake stands using artificial neural networks and vegetation índices
DOI:
https://doi.org/10.33448/rsd-v12i11.43665Keywords:
Forest inventory; Vegetation index; Artificial intelligence.Abstract
In Brazil, planted forest areas cover 54.4% and carrying out forest inventories is essential for forest management. Traditional inventory collection methods are laborious and expensive. An alternative has been to combine data from remote sensors and artificial neural networks (ANN) as a comparative approach. The objective of this study is to evaluate the agreement between biomass estimates made by artificial neural networks using vegetation indices and the traditional forest inventory method. An inventory from the year 2011 was used, carried out in the municipality of Rio Verde, Goiás, in a stand of Eucalyptus urophylla S. T. Blake, belonging to the Cooperativa Agroindustrial dos Produtores Rurais do Sudoeste Goiano (COMIGO), 23 random sample plots of 400 m² were collected the diameter, height, volume, and other parameters. RapidEye satellite images were acquired and vegetation indices such as NDVI, MSAVI, NDRE and EVI. Artificial neural networks were trained and validated in the NeuroForest Star program to estimate the volume of trees per plot. The results indicated that the estimates were comparable to traditional forest inventory approaches. Furthermore, correlations ranged from -0.84 to 0.99, with a standard error of the relative estimate (syx %) ranging from 0.20% to 16.59%. The different artificial neural network architectures presented variations in volume estimates, and some were not stable in the validation stage. However, the architectures of the NDRE and MSAVI indices stood out for their stability for volume estimates per plot, demonstrating the effectiveness of ANN as an efficient and accessible method.
References
Almeida, A. Q. D., Mello, A. A. D., Neto, A. L. D., & Ferraz, R. C. (2014). Relações empíricas entre características dendrométricas da Caatinga brasileira e dados TM Landsat 5. Pesquisa Agropecuária Brasileira, 49, 306-315.
Barnes, E. M., Clarke, T. R., Richards, S. E., Colaizzi, P. D., Haberland, J., Kostrzewski, M., ... & Moran, M. S. (2000, July). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In Proceedings of the fifth international conference on precision agriculture, Bloomington, MN, USA (Vol. 1619, p. 6).
Bhering, L. L., Cruz, C. D., Peixoto, L. D. A., Rosado, A. M., Laviola, B. G., & Nascimento, M. (2015). Application of neural networks to predict volume in eucalyptus. Crop Breeding and Applied Biotechnology, 15, 125-131.
Binoti, D. H. B., Binoti, M. L. M. D. S., Leite, H. G., Silva, A. A. L. D., & Albuquerque, A. C. (2013c). Modelagem da distribuição de diâmetros utilizando autômatos celulares e redes neurais artificiais. Cerne, 19, 677-685.
Binoti, D. H., Binoti, M. L. D. S., Leite, H. G., & Silva, A. (2013a). Redução dos custos em inventário de povoamentos equiâneos. Revista Brasileira de Ciências Agrárias, 8(1), 125-129.
Binoti, D. H. B., Binoti, M. L. M. S., & Leite, H.G. (2013a). NeuroForest Star. Patente: Programa de Computador. Número do registro: 13410-5, data de registro: 30/04/2013, título: "NeuroForest Star", Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial.
Binoti, M. L. M. D. S. (2010). Redes neurais artificiais para prognose da produção de povoamentos não desbastados de eucalipto.
Binoti, M. L. M. D. S. (2012). Emprego de redes neurais artificiais em mensuração e manejo florestal. Tese (doutorado) Universidade Federal de Viçosa, Viçosa – MG.
Binoti, M. L. M. D. S., Binoti, D. H. B., & Leite, H. G. (2013d). Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, 37, 639-645.
Binoti, M. L. M. D. S., Binoti, D. H. B., Leite, H. G., Garcia, S. L. R., Ferreira, M. Z., Rode, R., & Silva, A. A. L. D. (2014). Redes neurais artificiais para estimação do volume de árvores. Revista Árvore, 38, 283-288.
Binoti, M. L. M. D. S., Leite, H. G., Binoti, D. H. B., & Gleriani, J. M. (2015). Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, 21, 97-105.
Campos, J. C. C., & Leite, H. G. (2009). Mensuração florestal: perguntas e respostas. rev. e ampl. Viçosa, MG: Universidade Federal de Viçosa, 548p.
Castro, R. V. O., Araújo, R. A. A., Leite, H. G., Castro, A. F. N. M., Silva, A., Pereira, R. S., & Leal, F. A. (2016). Modelagem do crescimento e da produção de povoamentos de eucalyptus em nível de distribuição diamétrica utilizando índice de local. Revista Árvore, 40, 107-116.
Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5), 893-903.
Chaves, R. D. A., Reis, M. D. G. F., Reis, G. G. D., Pezzopane, J. E. M., Xavier, A., & Monte, M. A. (2007). Dinâmica de cobertura de dossel de povoamento de clone de Eucalyptus grandis w. hill ex-maiden submetidos a desrama artificial a desbaste. Revista Árvore, 31, 989-998.
Chen, W. C., Tseng, L. Y., & Wu, C. S. (2014). A unified evolutionary training scheme for single and ensemble of feedforward neural network. Neurocomputing, 143, 347-361.
Colbert, K. C., Larsen, D. R., & Lootens, J. R. (2002). Height-diameter equations for thirteen midwestern bottomland hardwood species. Northern Journal of Applied Forestry, 19(4), 171-176.
Costa, A. C. D., Pinto, J. R. R., Miguel, E. P., Xavier, G. D. O., Marimon, B. H., & Aparecido Trondoli Matricardi, E. (2023). Artificial intelligence tools and vegetation indices combined to estimate aboveground biomass in tropical forests. Journal of Applied Remote Sensing, 17(2), 024512-024512.
Costa, O. B. D. (2017). Degradação Florestal por extração seletiva e fogo na Amazônia Legal. Tese de Doutorado em Ciências Florestais, Publicação PPGEFL.TD - 074/2017. Departamento de Engenharia Florestal, Universidade de Brasília, Brasília, DF, 2017.
Draper, N., & Smith, H. (1998). Applied regression analysis. John Wiley e Sons. (3a ed.).
Ferreira, C. A., Mello, H. A., & Kajiya, S. (1977). Estimativa do volume de madeira aproveitável para celulose em povoamentos de Eucalyptus spp.: determinação de equações para o cálculo do volume de povoamentos de Eucalyptus spp. IPEF, Piracicaba, 14, 29-50.
Haykin, S. (2001). Redes neurais: princípios e prática. (2a ed.), Bookman.
Instituto Brasileiro de Geografia e Estatística – IBGE. (2014). Manual técnico da vegetação brasileira. (2a ed.).
Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583-621.
Kuan, C. M., & White, H. (1994). Artificial neural networks: An econometric perspective. Econometric Reviews, 13, 1-91.
Leal, F. A., Miguel, E. P., & Matricardi, E. A. T. (2016). Estimativa do volume em um povoamento de eucalipto utilizando redes neurais artificiais e dados provenientes de satélite RapidEye. III MENSU FLOR, Piracicaba, SP.
Leal, F. A. (2013). Técnicas de sensoriamento remoto e geoestatística aplicadas em um povoamento de Eucalyptus urophylla S.T. Blake para estimativa de volume. Dissertação de mestrado em Ciências Florestais. Publicação PPGEFL.DM-190/2013. Departamento de Engenharia Florestal, Universidade de Brasília - UnB, Brasília/DF.
Leal, F. A., Castro, R. V. O., & Matricardi, E. A. T. (2017). Validação de modelos de afilamento para estimativa do diâmetro, altura e volume em povoamento comercial de eucalipto. Revista Brasileira de Biometria, 35(3), 449-460.
Leal, F. A., Miguel, E. P., & Matricardi, E. A. T. (2016). Estimativa do volume em um povoamento de eucalipto utilizando redes neurais artificiais e dados provenientes de satélite RapidEye. III MENSU FLOR, Piracicaba, SP.
Leal, F. A., Miguel, E. P., Matricardi, E. A. T., & Pereira, R. S. (2015). Artificial neural networks in volume estimation at eucalyptus plantation using hemispherical photographs and number of trees. Revista Brasileira de Biometria, 33(2), 234-250.
Leite, H. G., Neto, R. R. de O., Monte, M. A., Fardin, L., Alcantra, A. M., Binoti, M. L. M. da S., & Castro, R. V. O. (2011). Modelo de afilamento de cerne de Tectona grandis Lf (Taper models of heartwood of Tectona grandis Lf). Scientia forestalis, Piracicaba, 39(89), 053-059.
Machado, S. A., & Figueiredo Filho, A. (2009). Dendrometria, 2ª edição. Guarapuava: UNICENTRO.
Pélico Neto, S., & Brena, A. D. (1997). Inventário Florestal. Curitiba: Editorado pelos autores.
Riedmiller, M., & Braun, H. (1993). A direct adaptive method for faster backpropagation learning: the RPORP algorithm. In: IEEE International Conference On Neural Networks, 1993. Proceedings (pp. 586-591). IEEE.
Rodrigues, T. W. P., Guimarães, U. S., Rotta, L. H. D. S., Watanabe, F. S. Y., Alcântara, E., & Imai, N. N. (2016). Delineamento amostral em reservatórios utilizando imagens Landsat-8/OLI: um estudo de caso no reservatório de Nova Avanhandava (Estado de São Paulo, Brasil). Boletim de Ciências Geodésicas, 22, 303-323.
Weng, L., Kang, Y., Jiang, K. & Chen, C. (2022). Redes Neurais Convolucionais Time Gated para Classificação de Culturas. Pré-impressão do arXiv arXiv:2206.09756.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Moises Parreiras Pereira; Fabrício Assis Leal ; Glória da Silva Almeida Leal ; Valdemar de Matos Paula; Alan Augusto Nobre Feitosa; Symone Maria de Melo Figueiredo
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
